mosaique (un peu de tout)

mosaique (un peu de tout)#

Quand les exercices font partie d’une série d’exercices, faites les dans l’ordre, ils se servent des précédents…*

Importer numpy et pandas indiquer la version des bibliothèques

# votre code ici

Importer pyplot de matplotlib et mettez les plots en mode notebook

# votre code ici

[note importante]
avec le mode notebook, il est souvent utile de déclarer explicitement que la cellule va produire une figure avec plt.figure() (ou autre fonction qui crée une figure ou des sous-figures)
sinon votre dessin va être inséré dans la dernière figure ouverte, souvent c’est plus haut dans le notebook…

# par exemple, faites
plt.figure()
# avant de faire 
plt.plot(X, Y)
# ...

Exercices sur la suite de Syracuse#

La suite de Syracuse#

pour chaque \(n\in \mathbb{N^*}\), on définit une suite de Syracuse par:

  • \(u_0 = n\)

  • \(u_{p+1}={\begin{cases}{\dfrac {u_{p}}{2}}&{\mbox{si }}u_{p}{\mbox{ est pair,}}\\3u_{p}+1&{\mbox{si }}u_{p}{\mbox{ est impair.}}\end{cases}}\)

Les consignes#

  1. la suite s’arrête après le premier \(1\)

  2. lever une exception si le type de l’argument n’est pas valide (TypeError), pensez à utiliser isinstance

  3. lever une exception si la valeur de l’argument n’est pas valide (ValueError)

  • pensez à mettre un message explicatif dans vos exceptions

  1. mettez un docstring à la fonction

Implémentation de la suite de Syracuse#

  • implémenter une fonction syracuse qui retourne la liste de la suite des nombres de Syracuse pour un \(u_0\) donné sous les conditions précédentes

par exemple

>>> syracuse(10)
[10, 5, 16, 8, 4, 2, 1]

Exécutions:

  • tester votre fonction dans les cas suivants (n vaut 0, “toto”, 4 et 27) en rattrapant les exceptions levées

# EXERCICE
def syracuse(n):
    # votre code ici
    pass

# pour vérifier
syracuse(10) == [10, 5, 16, 8, 4, 2, 1]

False

# pour vérifier
try:
    syracuse("toto")
except TypeError:
    print("OK your code raises TypeError on a str")

# pour vérifier
try:
    syracuse(-12)
except ValueError:
    print("OK your code raises TypeError on a str")

Plotter la suite de Syracuse#

[indications]:

  • attention les sous-figures sont appelées axis en matplotlib.pyplot

[rappels]:

  • une figure peut être composée de sous-figures

  • les sous-figures sont appelées des Axis (pensez toujours: axis = subfigure)

  • créer une figure globale de titre syracuse

  • créer six sous-figures en une grille de 2 lignes et 3 colonnes en plottant 6 suites de syracuse - par exemple pour les entrées 4, 8, 12, 5, 10 et 20

  • donner la même taille aux sous-figures

  • donner un titre aux sous-figures

inputs = (4, 8, 12, 5, 10, 20)

# à vous

...

Ellipsis

Exercice: vectorization de fonctions#

  • implémenter la fonction valeur absolue sans utiliser numpy.abs ni aucune fonction numpy dans le corps de la fonction

  • créer un numpy.ndarray contenant des flottants linéairement espacés entre -100 et 100

  • appliquez votre fonction à ce tableau

  • quel problème constatez-vous ?

[indications]

  • si vous voulez que votre fonction (\(abs: float \rightarrow float)\) puisse s’appliquer à des tableaux numpy

  • il faut la vectoriser en utilisant le décorateur numpy.vectorize

# votre code ici

def abs (n):
    # votre code ici
    pass

# votre code ici
# x = ...
# abs(x)
# pensez à rattraper l'erreur

3D plotting#

  • implémentez en utilisant les opérateurs et fonctions numpy une fonction (dans le genre de) \(f(x, y) = x^2 + y^2\)

  • plotter votre fonction en 3D

# votre code ici

Travail sur des fichiers csv#

[consigne]

  • ne pas utiliser de boucles python sur les tableaux csv

Lecture de fichiers csv#

Lecture d’un (petit) csv sans noms de colonnes#

  • créer une pandas.DataFrame df1 à partir du (petit) fichier data/weight_height_no_names.csv

  • il ne comporte pas de noms de colonnes

  • passer lui la liste des colonnes =[“genre”, “taille”, “poids”] à la création de la DataFrame

  • afficher la taille de la DataFrame

# à vous
df1 = ...

df1

Ellipsis

# ceci doit afficher True
df1.shape == (7, 3)

---------------------------------------------------------------------------
AttributeError                            Traceback (most recent call last)
Cell In[13], line 2
      1 # ceci doit afficher True
----> 2 df1.shape == (7, 3)

AttributeError: 'ellipsis' object has no attribute 'shape'

Lecture d’un (petit) csv avec des lignes de commentaires mais sans noms de colonnes#

  • créer une pandas.DataFrame df2 à partir du (petit) fichier data/weight_height_no_comments.csv

  • les valeurs sont séparées par des ‘;’

  • ce fichier comporte 3 lignes de commentaires

  • il ne comporte pas de noms de colonnes

  • mettez dans la DataFrame existante la liste de colonnes: [“Gender”, “Height”, “Weight”]

# le contenu du fichier 

%cat data/weight_height_no_comments.csv

ce fichier comporte le genre, la taille et le poids
de personnes, se trouve sur kaggle dans la page
https://www.kaggle.com/mustafaali96
Male;71.6408051192206;213.741169489411
Male;64.7663291334055;167.127461073476
Male;69.2830700967204;189.446181386738
Male;69.2437322298112;186.434168021239
Male;67.6456197004212;172.186930058117
Male;72.4183166259878;196.028506330482
Male;63.974325721061;172.883470208780
Male;69.6400598997523;185.983957573130
Male;67.9360048540095;182.426648013226

# à vous
df2 = ...

# ceci doit afficher True
(
    df2.shape == (9, 3)
and df2.columns[0] == 'Gender'
)

---------------------------------------------------------------------------
AttributeError                            Traceback (most recent call last)
Cell In[16], line 3
      1 # ceci doit afficher True
      2 (
----> 3     df2.shape == (9, 3)
      4 and df2.columns[0] == 'Gender'
      5 )

AttributeError: 'ellipsis' object has no attribute 'shape'

Lecture d’un (gros) fichier csv avec le nom des colonnes et sans commentaires#

  • créer une pandas.DataFrame df à partir du (gros) fichier data/weight_height.csv

  • les valeurs sont séparées par des ‘;’

  • la première ligne comporte le nom des colonnes

  • cette DataFrame servira dans les fonctions suivantes

# votre code ici
df = ...

df.head()

---------------------------------------------------------------------------
AttributeError                            Traceback (most recent call last)
Cell In[18], line 1
----> 1 df.head()

AttributeError: 'ellipsis' object has no attribute 'head'

# ceci doit afficher True
(
    df.shape == (10000, 3)
and df.columns[0] == 'Gender'
)

---------------------------------------------------------------------------
AttributeError                            Traceback (most recent call last)
Cell In[19], line 3
      1 # ceci doit afficher True
      2 (
----> 3     df.shape == (10000, 3)
      4 and df.columns[0] == 'Gender'
      5 )

AttributeError: 'ellipsis' object has no attribute 'shape'

Informations générales sur une DataFrame#

on veut en savoir plus sur cette DataFrame df précédente

affichez les types des colonnes

# à vous

affichez un résumé / des informations générales

# à vous

Manipulations des colonnes de la DataFrame#

Conversions#

  • convertissez les tailles de inches à mètres (\(cm = in \times 2.54\))

  • convertissez les poids de pounds à kg (\(kg = \dfrac{lb}{2.2046}\))

# votre code ici 
# et n'hésitez pas à recharger le fichier
# pour partir d'un truc propre

...
# df.head()

Ellipsis

Ajout d’une colonne#

  • calculer l’indice de masse corporelle \( i = \frac{weight}{height^2} \)
    et rangez-le dans une colonne Mass Index de la DataFrame

# votre code ici n'hésitez pas à recharger le fichier
# pour partir d'un truc propre

df = ...

df.head()

---------------------------------------------------------------------------
AttributeError                            Traceback (most recent call last)
Cell In[24], line 1
----> 1 df.head()

AttributeError: 'ellipsis' object has no attribute 'head'

Catégorisation#

  • ajouter une colonne “Gender-cat” dans laquelle le genre a été catégorisé (le type de la colonne doit être category)

  • en option, renommez les termes de cette catégorie en minuscules male et female

# votre code ici n'hésitez pas à recharger le fichier
# pour partir d'un truc propre

# df = ...

df.head()

---------------------------------------------------------------------------
AttributeError                            Traceback (most recent call last)
Cell In[26], line 1
----> 1 df.head()

AttributeError: 'ellipsis' object has no attribute 'head'

df.dtypes

---------------------------------------------------------------------------
AttributeError                            Traceback (most recent call last)
Cell In[27], line 1
----> 1 df.dtypes

AttributeError: 'ellipsis' object has no attribute 'dtypes'

Calculs sur une colonne#

  • compter le nombre de valeurs différentes dans la colonne “Gender”

# à vous

  • calculez la moyenne du poids

# à vous

  • et l’écart-type de l’indice de masse corporelle

# à vous

Plots de colonnes de la DataFrame#

Les boxplots#

  1. tracer le boxplot de la colonne height

  2. tracer le boxplot de la colonne weight

# à vous

Les femmes par poids#

  • tracer les tailles des femmes en fonction de leurs poids

# à vous

Tri de colonnes et plots#

  • trier les tailles en ordre croissant et plotter les

# à vous

  • plotter sur une même figure les tailles par genre

# à vous

  • afficher en ordre croissant les personnes de plus de 180 cm

# à vous

NaN#

Lecture du csv#

  • lisez le fichier data/car_sales.csv (la première ligne contient le nom des colonnes)

# à vous de jouer

cars = ...

cars.head(5)

---------------------------------------------------------------------------
AttributeError                            Traceback (most recent call last)
Cell In[37], line 1
----> 1 cars.head(5)

AttributeError: 'ellipsis' object has no attribute 'head'

  • le nombre de lignes dans la dataframe

# votre code

  • nombre de colonnes dans la dataframe

# à vous

  • afficher les colonnes

# à vous de jouer

  • afficher les lignes 10 à 14 inclusivement (on compte à partir de 1)

# à vous de jouer

Nombres de NaN#

  • le nombre de NaN par colonne (sans boucle python)

# votre code

  • le nombre de NaN par ligne

# à vous de jouer

Suppression de NaN#

  • supprimer les colonnes qui ont plus de \(5\) NaN

indices

  • la taille originale de notre dataframe est 157 lignes et 16 colonnes

  • voyez pandas.dropna

  • ça concerne une colonne

# votre code ici

  • supprimer les lignes qui ont plus de \(5\) NaN

    ça devrait concerner une ligne

# votre code ici

  • supprimer les lignes qui ont au moins un NaN

# votre code ici

  • supprimer les colonnes qui ont au moins un NaN

# votre code ici
TOC